論文の概要: AI for Biologists: The Knowledge Boundaries of Foundation Models in the Age of Agentic Systems
- arxiv url: http://arxiv.org/abs/2611.17015v1
- Date: Thu, 12 Nov 2026 16:08:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.545552
- Title: AI for Biologists: The Knowledge Boundaries of Foundation Models in the Age of Agentic Systems
- Title(参考訳): AI for Biologists: エージェントシステム時代における基礎モデルの知識境界
- Abstract要約: 数百万のヌクレオチド、タンパク質、単細胞測定に基づいて訓練された生物基盤モデルは、遺伝子摂動に対するタンパク質の構造、突然変異効果、細胞応答を予測する。
エージェントシステム、大規模な言語モデル上に構築されたAIアシスタントは、平易な言語要求から多段階解析を実行することができる。
しかし、これらのモデルのアウトプットがいつ信頼できるかはしばしば不明である。
私たちはこれを、そのアウトプットが信頼できる入力、タスク、条件の範囲という、モデルの知識境界として捉えています。
- 参考スコア(独自算出の注目度): 33.13767762465486
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) is changing how biological research is done. Biological foundation models trained on millions of nucleotides, protein, and single-cell measurements predict protein structures, mutation effects, and cellular responses to genetic perturbations. Agentic systems, AI assistants built on large language models, can run multistep analyses from plain-language requests and increasingly call foundation models as tools. Yet it is often unclear when these models' outputs can be trusted. We frame this as a model's knowledge boundary: the range of inputs, tasks, and conditions over which its outputs are reliable. This review explains how foundation models are built and proposes that five design elements (data, architecture, training scheme, evaluation scheme, and post-analysis) define this boundary. We examine evidence on where current models succeed or fail and present standardized descriptions of model limits so that researchers, and the agents acting for them, can use these tools reliably.
- Abstract(参考訳): 人工知能(AI)は生物学の研究方法を変えつつある。
数百万のヌクレオチド、タンパク質、単細胞測定に基づいて訓練された生物基盤モデルは、遺伝子摂動に対するタンパク質の構造、突然変異効果、細胞応答を予測する。
エージェントシステム、大規模な言語モデル上に構築されたAIアシスタントは、平易な言語要求から多段階の分析を実行し、基盤モデルをツールとして呼び出すことができる。
しかし、これらのモデルのアウトプットがいつ信頼できるかはしばしば不明である。
私たちはこれを、そのアウトプットが信頼できる入力、タスク、条件の範囲という、モデルの知識境界として捉えています。
このレビューでは、基礎モデルがどのように構築され、5つの設計要素(データ、アーキテクチャ、トレーニングスキーム、評価スキーム、分析後)がこの境界を定義することを提案する。
我々は,現在のモデルが成功するか失敗したかを示す証拠を検証し,モデル限界の標準化された記述を提示し,研究者やエージェントがこれらのツールを確実に利用できるようにした。
関連論文リスト
- When Everyone Can Build a Model: Mechanistic Inference in the Age of AI [1.4681690787310104]
多くの生物学的モデリング問題は過小評価されているので、無限に多くのモデルが同じデータを等しく再現することができる。
まず、因果推論は、因果関係と介入効果がデータから特定可能であることを示す公式な枠組みを提供する。
第二に、アンサンブル分析は、等しく適合するモデルによってまだ許されている不確実性と行動範囲を定量化する。
論文 参考訳(メタデータ) (2026-10-30T08:57:02Z) - SciExam for ENSO: Can AI Agents Build Climate Models? [54.94822880836718]
様々な情報の下でトップシステムの制御された実行は、そのスコアが、日付の観測記録をリコールすることによるものではないことを示唆している。
結果は、科学者がまだ議論している疑問に答える構造を持つ競争モデルを構築することができることを示唆している。
論文 参考訳(メタデータ) (2026-10-07T17:52:52Z) - SGHA: Evidence-Grounded Research Problem Discovery with Local Language Models [7.260616084665585]
本稿では,完全に自動化されたコーパスファースト研究プロブレム発見システムであるStructure Gap hypothesis Agent (SGHA)を紹介する。
SGHAは、科学的文献コーパスをエビデンスにリンクされた紙のオブジェクトと型付きエビデンスグラフに構造化し、紙にまたがる未解決の構造パターンを検出し、定式化前の候補ギャップを遮蔽し、追跡可能な研究結果の家族を生成する。
以上の結果から,エビデンスに制約のある明示的なコーパス構造は,生成や検証においてフロンティアモデルに頼らずに,有望で検査可能なリサーチ・プロブレムの定式化を支援することが示唆された。
論文 参考訳(メタデータ) (2026-08-18T08:27:39Z) - Biomedical Foundation Model: A Survey [84.26268124754792]
ファンデーションモデルは、広範なラベルなしデータセットから学習する大規模な事前訓練モデルである。
これらのモデルは、質問応答や視覚的理解といった様々な応用に適応することができる。
本研究は,生物医学分野における基礎モデルの可能性を探るものである。
論文 参考訳(メタデータ) (2025-03-03T22:42:00Z) - GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。
DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。
また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
論文 参考訳(メタデータ) (2025-02-11T05:39:49Z) - Does your model understand genes? A benchmark of gene properties for biological and text models [1.8931526394501432]
専門的な生物情報学データベースから収集した遺伝子特性に着目した。
これらのデータベースに基づいて、バイナリ、マルチラベル、マルチクラス分類タスクを含む数百のタスクを定義します。
本研究は, テキストベースモデルとタンパク質言語モデルが, ゲノム特性および制御機能タスクにおいて, 表現ベースモデルよりも優れていたことを示唆する。
論文 参考訳(メタデータ) (2024-12-05T11:14:01Z) - Chaining thoughts and LLMs to learn DNA structural biophysics [6.164223149261533]
汎用的な大規模言語モデルであるchatGPT 3.5-turboは、DNAの構造的生理学を学ぶために微調整できることを示す。
チェーン・オブ・シンクの応答を返すための微調整モデルとサブタスク用に微調整されたモデルの両方が、DNA配列とその構造を解析・設計する能力を持つことがわかった。
論文 参考訳(メタデータ) (2024-03-02T22:38:01Z) - On the Opportunities and Risks of Foundation Models [256.61956234436553]
これらのモデルの基礎モデルは、批判的に中心的だが不完全な性格を根底から立証するものです。
本報告では,基礎モデルの可能性とリスクについて概説する。
これらの疑問に対処するためには、基礎モデルに関する重要な研究の多くは、深い学際的なコラボレーションが必要であると信じている。
論文 参考訳(メタデータ) (2021-08-16T17:50:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。